基于时序思想BP网络的地铁地表沉降预测

将时间序列分析的思想与BP神经网络模型结合起来,预测了某城市地铁的地表沉降规律,并与时间序列分析、基于反演理论BP神经网络分析的结果进行了比较,结果表明,基于时序思想BP神经网络模型具有很高的精度,能够为地铁沉降变形监测提供参考依据。     

城市用水量的混沌特性与预测

采用混沌理论对城市用水量时间序列的混沌特性进行了判定。基于最大Lyapunov指数法,提出了城市用水量短期预测的模型以及多步预测的步骤。实例研究表明,基于最大Lya-punov指数法的预测结果明显好于BP神经网络法,在计算得出的最大可预测时间尺度内预测精度较高,而在最大可预测时间尺度外的预测精度大为下降。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于多分辨BP神经网络的城市日供水量预测模型

鉴于BP神经网络预测城市日供水量的不足,提出了基于多分辨BP神经网络预测模型。通过离散小波变换将日供水量序列的复杂特性转化为不同尺度下的单一特性,并分别进行BP神经网络预测。针对日供水量的混沌特性,对其进行相空间重构,重构后的时间序列为网络输入。应用实例表明,与单一BP神经网络相比,多分辨BP神经网络可更好地反映序列细节和变化特性,具有更高的预测精度,平均绝对百分比误差为1.481%。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于SVM的混沌时间序列预测模型应用研究

混沌时间序列预测是混沌理论的一个重要应用领域和研究热点,目前它在信号处理、自动化控制等领域中已得到了广泛的应用。本文联系支持向量机(SVM)和混沌时间序列预测的相关理论,建立基于二者的变形序列预测模型。同时,结合具体实例从变形时间序列的混沌识别、相空间重构以及预测模型的参数优化等方面探讨了模型的具体建立过程。实验结果表明,该模型的预测精度要优于BP神经网络。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

利用BP-ANN模型进行深基坑变形预测分析的探讨

利用LM算法和自适应学习速率的动量梯度下降法对BP-ANN模型进行改进,发现LM算法在建立深基坑变形预报模型时具有更高的学习效率,且输入量间的相关程度对网络效率无显著影响,隐含层节点数可通过仿真误差分布图确定和优化。仿真与预测结果表明,在平稳观测时间序列内该模型具有更高的预测精度,在实际深基坑监测预报中值得推广应用。     

神经网络组合预测法在软基沉降预测中的应用

通过引入神经网络组合预测模型,对软基沉降序列进行了非线性组合预测。预测结果表明,神经网络组合预测的结果比各单项模型预测的结果都好,提高了软基沉降的预测精度,可进一步推广应用。     

城市道路网节点短时段交通量预测模型研究

准确的短时段交通量预测在良好的道路交通管理中将越来越成为至关紧要的一个步骤。本文应用BP学习算法及进行误差校正的SPDS算法,建立了基于BP网络的城市道路网节点短时段交通量预测模型。并依据哈尔滨市省政府交叉口2001年6月15日15min间隔的交通量调查数据,对中宣街进行了分时段的交通量预测。本文还对交通量神经网络预测模型提出了五种输入层方案,针对不同输入层方案,采用试算法确定最佳隐层单元数,根据各方案的训练时间和误差进行评价,确定了理想的交通量神经网络预测模型,并分析了输入层单元和隐层单元分别与训练时间和误差的关系。最后,采用确定的交通量预测模型进行预测,预测结果证明了本模型在较短时间内具有较高的预测精度。